Application Exploration of Medical Image-aided Diagnosis of Breast TumourBased on Deep Learning
Notice bibliographique
Résumé
BACKGROUND: Nowadays, people attach increasing importance to accurate and timely disease diagnosis and personalized treatment. Because of the uncertainty and latency of the pathogenesis, it is difficult to detect breast tumour early. With higher resolution, magnetic resonance imaging (MRI) has become an important method for early detection of cancer in recent years. At present, DL technology can automatically study imaging features of different depths. OBJECTIVE: This work aimed to use DL to study medical image-assisted diagnosis. METHODS: The image data were collected from the patients. ROI (region of interest) containing the complete tumor area in the medical image was generated. The ROI image was extracted, and the extracted feature data were expanded. By constructing a three-dimensional (3D) CNN model, the evaluation indicators of breast tumour diagnosis results have been proposed. In the experiment part, 3D CNN model and other models have been used to diagnose the medical image of breast tumour. RESULTS: The 3D CNN model exhibited good ROI region extraction effect and breast tumor image diagnosis effect, and the average diagnostic accuracy of breast tumor image diagnosis was 0.736, which has been found to be much higher than other models and could be applied to breast tumor medical image-aided diagnosis. CONCLUSION: The 3D CNN model has been trained by combining the two-dimensional CNN training mode, and the evaluation index of diagnostic results has been established. The experimental part verified the medical image diagnosis effect of the 3D CNN model. The model had exhibited a high ROI region extraction effect and breast tumor image diagnosis effect.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».